基于Kohonen神经网络的深度图像分割方法

提出一种基于Ｋｏｈｏｎｅｎ神经网络无监督的深度图像分割方法。首先计算了深度图像各点的导数,进而得到各点的法向,以法向和深度值作为每一点的特征矢量,引入自组织神经网络进行初始的聚类;为消除初始聚类产生的过分割现象,采取相邻表面片法向分析的方法进行再分割,得到最终的分割结果。本方法避免了通常的区域分割方法初始种子不易选取的弱点,聚类所用样本少,速度快。实验结果表现了算法良好的性能。     

基于改进广义回归神经网络和主成分分析的宽带DOA估计

为了获取较高的宽带信号的DOA(direction-of-arrival)估计精度,提出了基于改进的广义回归神经网络(IGRNN,improved generalized regression neural network)和主成分分析(PCA,principalcomponent analysis)的宽带DOA估计算法。选用PCA方法对训练样本进行降维,以降低神经网络的复杂度;利用粒子群算法优化GRNN的参数;根据选取不同的聚焦角度确定粗估计、精估计的训练模型,通过粗估计得出目标的大致方位后,利用精估计模型得出最终的估计结果,避免了聚焦角度对估计精度的影响。仿真结果表明,本文提出的算法具有较好的估计精度和较高的工作效率。     

基于信号子空间的广义回归神经网络频率估计

对淹没在噪声中的载波信号的频率估计可以通过对信号协相关矩阵求取特征向量,分离出信号子空间和噪声子空间,并可基于信号子空间找到与之线性相关,或者基于噪声子空间找到与之正交的载波信号。但要使这两个子空间的矢量函数在某个频率点上得到波峰,仅仅利用噪声子空间的算法,如MUSIC往往需要对一段较大频率范围的频域进行细致搜索,既耗费了大量的时间又会因为搜索步长的选取而造成对识别精度的影响。本文提出一种基于信号子空间的广义回归神经网络频率估计算法,利用广义回归神经网络其极强的非线型拟合和并行计算特性在信号子空间矢量与频率点之间建立良好的非线型映射关系,以达不失估计精度而又提高估计速度的目的。     

基于主成分分析与深度神经网络的快速噪声水平估计算法

鉴于从噪声图像分解获得的原生图块集合的协方差矩阵前若干个特征值（按照升序排序）与图像噪声水平值具有强相关性,提出了一种基于主成分分析和深度神经网络的快速噪声水平估计算法.该算法首先选用原生图块集合协方差矩阵前若干个特征值构成刻画图像噪声水平高低的特征矢量,然后在大量有代表性且已标定噪声水平值的噪声图像集合上利用深度神经网络训练预测模型以实现将特征矢量直接映射为噪声水平值,最后为获得更高的预测准确性,采用粗精预测模型相结合的两步预测方式实现.实验表明：文中算法在各个噪声级别上都具有稳定的预测准确性,且执行效率非常高,作为降噪算法的前置预处理模块具有更好的综合优势.     

基于深度学习的StyleGAN2合成人脸识别系统

StyleGAN2合成人脸识别系统专门针对StyleGAN2合成人脸进行识别,可以识别出人脸图片是否由StyleGAN2合成而来.StyleGAN2合成人脸识别系统基于C/S(客服端/服务器)架构,系统的核心部分为部署在服务器上的识别模型,该模型的隐含层网络结构为深度学习中的卷积神经网络.识别模型经大数据的支撑下训练数...     

基于深度神经网络的单通道语音增强方法回顾

语音增强是一种试图从噪声中分离出语音的技术,目的是提高语音的质量和可懂度。在过去的几十年里,人们提出了多种类型的语音增强方法,但这些方法在非平稳噪声环境中的表现还未达到最佳程度,因为他们没有充分利用语音和噪声的先验信息。近年来,随着深度学习的发展,深度神经网络已成为当下实现语音增强的主流方法,在改善语音质量和提升可懂度方面发挥了积极作用。本文从深度神经网络的结构出发,回顾了基于深度学习的单通道语音增强方法。首先,介绍了语音增强的背景;其次,详细描述了四种不同类型神经网络实现语音增强的方法;最后,给出了未来语音增强方法的建议和本文的结论。      

基于深度学习卷积神经网络图像识别技术的研究分析探讨

随着我国移动互联网技术的快速发展,微信,QQ,微博,手机应用等手机媒体的新起,以及智能手机,平板电脑和数码相机等移动设备的大量使用,与3G,4G,wifi等高速无线网络的不断普及,让更多的用户能够更快更方便的上传和浏览各种图像。但是,生活中还是有很多没有标记的图像,这些没有标记的图像很难进行搜索和处理,用户不能够更快的找到自己想要的图像,所以传统的图像分类识别方法并不能够满足现在的用户,还会给现在的用户在进行图像分类识别的时候造成一定的不便,浪费不必要的时间,尤其是在复杂环境下对自然图像的分类与识别。     

融合压缩采样与深度神经网络的直接序列扩频参数估计

直接序列扩频(Direct Sequence Spread Spectrum,DSSS）信号的宽频带特性所带来的高采样率增加了参数估计的实现难度。针对现有技术所面临的问题与挑战,融合压缩采样与深度神经网络(Deep Neural Network,DNN),提出了用于估计DSSS信号参数的方法。一方面,压缩采样能够利用信号的冗余性,以较低的采样率获取信号中的有效参数信息;另一方面,DNN在提取数据特征方面具有高效准确的特点。通过对压缩采样与参数估计网络的整体训练,实现两者的有效配合,进而实现以较低采样率对DSSS信号参数的准确估计。仿真实验证明了该参数估计方法在低信噪比下的估计能力相对于传统方法具有一定的提升。     

Parametric SNR Estimation Based on Auto-Regressive Model in AWGN Channels

Signal-to-noise ratio（SNR）estimation for signal which can be modeled by Auto-regressive（AR）process is studied in this paper.First,the conventional frequency domain method is introduced to estimate the SNR for the received signal in additive white Gauss noise（AWGN）channel.Then a parametric SNR estimation algorithm is proposed by taking advantage of the AR model information of the received signal.The simulation results show that the proposed parametric method has better performance than the conventional frequency doma in method in case of AWGN channel.     

基于宽深超分辨率网络的信道估计方法

在正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM) 系统中由于快衰落导致信道特征不连续,常规的信道插值方法无法准确反应导频与整个信道之间的关联性。针对这一问题,提出了一种基于宽深超分辨率（Wide Deep Super-resolution,WDSR）网络的信道估计方法,把导频值通过最小二乘估计（Least Squares,LS）初步插值,再通过WDSR网络再次放大重构整个信道的响应。将信道估计插值上采样替换成初步插值和图像超分辨率上采样两步。仿真结果表明,与超分辨率卷积神经网络(Super-resolution Convolutional Neural Network,SRCNN)信道估计算法相比,在不同种类的信道以及导频数下WDSR信道估计方法均方误差性能提升约4.6 dB。     

点击率的深度交叉注意力预估模型

为了区分不同高阶交叉特征的重要程度并剔除冗余交叉特征,提高点击率的预估精度,提出了一种深度交叉注意力预估网络(deep cross attention prediction network, DAPN)模型。它将具有稀疏高维特征的输入信息表示为低维稠密向量后,分别送入因子分解机(factorization machine, FM)和深度交叉注意力层(deep cross attention, DCA)。FM通过一阶特征和二阶特征交叉挖掘训练数据中从未出现或者很少出现的低阶交叉特征。DCA层利用缩放点积注意力机制(dot-product attention,DP＿Att)设计交叉注意力层,用于区分高阶交叉特征的重要度,并设计深度神经网络(deep neural network, DNN)实现对高阶交叉特征建模。仿真表明,DAPN在MovieLens-1m和Avazu等公开数据集上均具有良好的预估性能,它使用并行结构能同时有效地学习低阶和高阶交叉特征,提高预估精度。     

Research on Link Quality Estimation Mechanism for Wireless Sensor Networks Based on Support Vector Machine

In the application of Wireless sensor net-works (WSNs), effective estimation for link quality is a basic issue in guarantying reliable data transmission and upper network protocol performance. A link quality es-timation mechanism is proposed, which is based on Sup-port vector machine (SVM) with multi-class classification. Under the analysis of the wireless link characteristics, two physical parameters of communication, Receive sig-nal strength indicator (RSSI) and Link quality indicator (LQI), are chosen as estimation parameters. The link qual-ity is divided into five levels according to Packet recep-tion rate (PRR). A link quality estimation model based on SVM with decision tree is established. The model is built on kernel functions of radial basis and polynomial re-spectively, in which RSSI, LQI are the input parameters. The experimental results show that the model is reason-able. Compared with the recent published link quality es-timation models, our model can estimate the current link quality accurately with a relative small number of probe packets, so that it costs less energy consumption than the one caused by sending a large number of probe packets. So this model which is high efficiency and energy saving can prolong the network life.     

基于深度卷积网络的二维波达方向估计方法

为了提高信号波达方向估计技术的实时性和简便性,设计了一种适用于估计均匀圆阵多信号波达方向的深度卷积网络。由阵列观测数据得到的协方差矩阵被当作是包含实部和虚部两个通道的图像,将其当作是卷积神经网络的输入张量,便可以通过训练网络来提取包含在信号协方差矩阵中的波达方向细微特征,从而实现准确快速地同时对多个入射信号的方向进行估计的目的。仿真结果表明,设计的深度卷积网络能够很好地完成二维信号波达方向估计。相比于现有估计方法,卷积网络给出的结果更加精确,且算法相对稳定。因此,提出的深度卷积网络在多目标方位识别与跟踪领域具有潜在的工程应用价值。     

基于神经网络的混合电路故障检测

随着电路越来越走向集成化和模块化,大多数电路都同时包含数字和模拟的混合信号,数模混合电路故障诊断技术也因此成为一个重要的课题。提出了利用小波分析和神经网络对混合集成电路故障进行检测的方法。基本思想是通过小波变换对原始采样信号进行检测,再利用神经网络对小波变换的结果进行分类,最后给出故障的信息。通过MATLAB仿真实验,证明该方法对混合电路的故障检测非常有效。     

基于TH神经网络的UWB-SAR抑制RFI方法

在超宽带合成孔径雷达(UWB-SAR)系统中,若将接收信号先通过一个自适应预测误差滤波器,然后再进行成像处理运算,能极大改善其抑制射频干扰(RFI)能力.本文提出了一种迅速、有效的抑制RFI方法,它利用谱峰判阶并结合Tank-Hopfield(TH)神经网络计算滤波器权系数,在保持足够的抑制RFI能力的同时,大大提高了运算效率.     

语音信号的线性预测分析在DSP上的优化实现

语音信号的线性预测分析是语音压缩中的一个重要环节，占据语音压缩计算中的大部分时间，为提高语音压缩的速度，在C54x系列DSP上用汇编语言实现了语音信号的线性预测分析，并对其进行优化。最终可以使代码的运行时间减少到原来的5％左右。